Naive Bayes classifier adalah algoritma pembelajaran mesin yang digunakan untuk klasifikasi data. Berikut adalah beberapa konsep penting yang terkait dengan Naive Bayes classifier:

• Bayes’ Theorem: Naive Bayes classifier didasarkan pada teorema Bayes, yang digunakan untuk menghitung probabilitas kondisional. Teorema Bayes menyatakan bahwa probabilitas suatu hipotesis atau kelas tertentu, diberikan data yang diamati, dapat dihitung dari probabilitas data yang diamati, diberikan hipotesis atau kelas tertentu.
• Probabilitas kondisional: Probabilitas kondisional adalah probabilitas suatu kejadian terjadi, diberikan kejadian lain telah terjadi. Dalam Naive Bayes classifier, probabilitas kondisional digunakan untuk menghitung probabilitas suatu kelas, diberikan nilai fitur dari data.
• Fitur: Fitur adalah variabel yang digunakan untuk menggambarkan data. Dalam Naive Bayes classifier, fitur digunakan untuk memprediksi kelas dari data.
• Kelas: Kelas adalah label atau kategori yang diberikan pada data. Dalam Naive Bayes classifier, kelas digunakan untuk memprediksi label atau kategori dari data.
• Naive Bayes Assumption: Naive Bayes classifier mengasumsikan bahwa semua fitur dalam data adalah independen satu sama lain. Meskipun asumsi ini sering kali tidak benar dalam dunia nyata, Naive Bayes classifier tetap efektif dalam banyak kasus.

Naive Bayes classifier dapat digunakan untuk berbagai tugas seperti klasifikasi teks, klasifikasi gambar, deteksi spam, identifikasi tulisan tangan, analisis ekspresi gen, deteksi wajah, dan deteksi anomali. Algoritma ini relatif mudah diimplementasikan dan memiliki kecepatan yang tinggi pada dataset yang besar. Namun, kelemahan utama dari Naive Bayes classifier adalah asumsi independensi fitur yang sering kali tidak benar dalam dunia nyata.

1. Pendahuluan

Pengolahan citra telah membuka peluang baru dalam dunia pertanian, khususnya dalam bidang klasifikasi citra sayuran. Tujuan penelitian ini adalah menerapkan algoritma Naive Bayes dalam klasifikasi citra sayuran. Tiga jenis sayuran yang diklasifikasi adalah kol, sawi, dan wortel. Proses pengolahan citra mencakup konversi citra RGB menjadi citra grayscale, segmentasi citra menggunakan metode thresholding, ekstraksi ciri citra berdasarkan nilai rata-rata HSV (hue, saturation, value) dan luas objek, serta klasifikasi citra menggunakan algoritma Naive Bayes.

2. Metodologi

2.1. Pengolahan Citra

Citra sayuran diawali dengan konversi dari citra RGB menjadi citra grayscale, yang memudahkan dalam ekstraksi ciri. Kemudian, citra grayscale disegmentasi menggunakan metode thresholding untuk memisahkan objek sayuran dari latar belakang.

2.2. Ekstraksi Ciri Citra

Ekstraksi ciri dilakukan dengan menghitung nilai rata-rata komponen HSV pada citra. Nilai HSV mencerminkan informasi warna dalam citra. Selain itu, luas objek juga dihitung sebagai ciri tambahan. Ciri-ciri ini memberikan representasi penting tentang karakteristik visual dari sayuran dalam citra.

2.3. Klasifikasi dengan Algoritma Naive Bayes

Algoritma Naive Bayes digunakan untuk mengklasifikasikan citra sayuran menjadi tiga kelas: kol, sawi, dan wortel. Pada tahap pelatihan, algoritma ini mempelajari distribusi ciri-ciri dari masing-masing kelas. Klasifikasi kemudian dilakukan dengan memanfaatkan probabilitas kondisional dari ciri-ciri yang diamati.

3. Hasil dan Analisis

Hasil penelitian menunjukkan akurasi pelatihan sebesar 100% dan akurasi pengujian sebesar 80%. Meskipun akurasi pelatihan sangat baik, terdapat penurunan pada akurasi pengujian, yang mungkin disebabkan oleh variasi dalam data uji yang belum pernah dilihat selama pelatihan.

4. Diskusi

Keberhasilan algoritma Naive Bayes dalam mengklasifikasikan citra sayuran dapat dijelaskan oleh sifat sederhana dan cepatnya algoritma ini dalam memodelkan distribusi data. Namun, pengujian pada dataset yang lebih besar dan variasi yang lebih luas dapat memberikan pemahaman yang lebih baik tentang kinerja algoritma.

5. Kesimpulan

Penerapan algoritma Naive Bayes dalam klasifikasi citra sayuran melalui pengolahan citra mencapai akurasi pelatihan yang tinggi, yaitu 100%, dan akurasi pengujian sebesar 80%. Hal ini menunjukkan potensi algoritma Naive Bayes dalam mengklasifikasikan citra sayuran berdasarkan ciri-ciri visual.

6. Saran

Untuk penelitian selanjutnya, perlu dipertimbangkan untuk mengembangkan model yang lebih kompleks dan melibatkan lebih banyak fitur ekstraksi ciri. Selain itu, penggunaan dataset yang lebih besar dan representatif dapat membantu meningkatkan akurasi klasifikasi.

Tutorial lengkap penerapan pengolahan citra untuk Klasifikasi Sayuran Menggunakan Algoritma Naive Bayes dapat dilihat pada video eksklusif berikut ini: